Cette these presente plusieurs contributions au software develope pour le traitement d’images dans le cadre du LSST. Notre objectif est d'utiliser le code et les algorithmes LSST existants, afin de creer un pipeline dedie a la detection des supernovae de type Ia. Pour la detection des supernovae nous utilisons une technique appelee soustraction optimale d'images qui implique la construction de coadditions. Nous etudions aussi le comportement des differents objets dans le temps et construisons des courbes de lumiere qui representent leur cycle de vie en fonction de l'intensite lumineuse de chaque detection sur plusieurs nuits. Enfin, pour analyser un nombre excessif de candidats, nous utilisons des algorithmes d'apprentissage machine.Notre premiere contribution concerne le developpement des taches de coaddition automatisee adaptees pour construire des images de reference et de science avec un haut rapport signal-sur-bruit. La contribution suivante est lie a l’addition de mesures et l’etude de residus des images d’analyse de difference, y-compris la selection des seuils adaptes et l'etiquetage basee sur les valeurs quantitativess des residus pour identifier les mauvaises detections, les artefacts et les flux reellement significatifs. Notre suivante contribution est un algorithme pour selectionner et generer les courbes de lumiere candidates. Finalement, on applique une classification machine learning pour trouver des type Ia supernovae en utilisant la methode random forest. Ces resultats ont permis l’identification des supernovae de type Ia simulees et reelles parmis les candidats avec une haute precision.